基于DIKWP模型的主动医学中西医语义融合研究

段玉聪

人工智能DIKWP测评国际标准委员会-主任

世界人工意识大会-主席

世界人工意识协会-理事长

(联系邮箱：duanyucong@hotmail.com) 

摘要

主动医学倡导将医疗关口前移，从“被动治病”转向“主动健康”管理，与中医“治未病”的预防哲学天然契合。然而，中医与西医在概念体系和语义表达上存在显著差异，造成语义鸿沟和认知偏差，阻碍了两者的深度融合。段玉聪教授提出的“数据-信息-知识-智慧-目的（DIKWP）”五层模型，以及他主导研发的人工意识白盒测评体系和语义数学方法，为解决这一挑战提供了全新思路。本文基于DIKWP模型，将主动医学中的中西医语义融合问题分解为五层语义结构，对各层间语义转化过程进行形式化描述和函数链表达；运用“DIKWP语义坍塌”方法提炼主动医学的核心概念与价值源，并构建中西医协同的语义场模型嵌套其中；绘制中西医概念空间与语义空间映射图、主动AI决策DIKWP流程图、道德五层与DIKWP类比图等核心图谱；并对比国际语义计算、主动智能系统和人工意识模型的相关研究，论证DIKWP方法在认知建模和医学AI设计中的创新性与融合价值。研究表明，DIKWP模型能够在保障语义一致性的前提下实现异构医学知识的无损融合，赋能具有解释力和人本导向的医疗AI系统。这对于跨学科认知建模、医疗人工智能的伦理设计以及以人为本的智慧医疗范式构建具有重要启示。

关键词

DIKWP模型；语义数学；人工意识白盒测评；中西医语义融合；主动医学

引言

中医药与现代西医的融合正成为构建全民健康的新战略焦点。然而，由于两种医学体系在理论范畴和表达语言上的巨大差异，这一融合面临诸多语义层面的挑战。中医诊疗强调整体观和信息交互（望闻问切等），缺乏可直接量化的大数据支持；西医则长于解剖、生理指标的定量描述。简单地将中医术语直接对应到西医概念，常导致语义失配和认知误区：例如中医的“肾”涵盖功能与先天之本含义，而西医的“肾”仅指解剖器官，两者直译对应会引发误解。长期以来，一个困扰研究者和政策制定者的问题是：如何在不扭曲中医理论精髓的前提下，实现中医与现代科学的融合发展？正如段玉聪教授所强调的，中医的科学化不应等同于将中医“西医化”或简单“数据化”，否则中医整体观、个体化、动态平衡等精髓将难以体现。

在此背景下，新兴的主动医学（Active Medicine）理念引人关注。主动医学强调利用现代科技手段，主动监测、预测并干预健康风险，在疾病发生之前就介入医疗，将医疗重心从治疗疾病前移到维护健康。这一理念与中医“治未病”的预防哲学高度契合，亦与当今全球医学从“治已病”向“治未病”转变的大趋势一致。例如，西方提出的“4P医学”（预测性、预防性、个性化、参与式医学）主张通过基因检测、可穿戴设备等预测疾病风险并制定个性化预防方案，本质上是主动医学思想的具体体现。因此，将中医传统智慧与现代医学数据驱动方法相结合，有望为主动医学提供新的范式。

段玉聪教授提出的DIKWP（Data–Information–Knowledge–Wisdom–Purpose）模型，最初用于人工智能认知过程分层和人工意识测评, 为这一难题提供了潜在的解决框架。DIKWP模型增加了经典DIKW金字塔所缺失的最高层“目的/意图”，强调认知过程中的动机驱动，在人工智能和认知建模领域引起关注。与此同时，段玉聪团队发展了人工意识白盒测评体系，用以透明化解析AI在各认知层次的能力，为评估和提升AI的“识商”（人工意识水平）提供了工具。此外，他们提出的语义数学方法从形式化层面弥合符号计算与语义理解之间的鸿沟，通过严格的语义约束保证跨学科知识融合的语义一致性。这些新理论为中西医语义融合与主动医学的发展提供了关键启示和工具支持。

本文旨在借助DIKWP模型和语义数学等理论，构建一个跨学科的语义融合框架，实现主动医学情境下中西医知识的深度整合与智能决策支持。我们将首先介绍DIKWP模型的内涵及其语义认知框架，阐述如何将主动医学相关内容映射到数据、信息、知识、智慧、意图五个层次。随后，在理论与方法部分，我们将详细说明如何使用形式化符号和逻辑推理描述各层之间的语义转化机制，包括提出“DIKWP语义坍塌”方法以提炼主动医学的核心语义。接着，在结果与结构建模部分，我们给出中西医概念空间到语义空间的映射模型，以及主动AI决策的DIKWP流程图和道德五层与DIKWP类比图，展示我们的融合模型结构。讨论与比较部分将我们的方法与国际上的语义计算、主动智能系统及人工意识模型进行对比分析，突出DIKWP方法的创新点和融合价值。最后，在结论与展望中，我们从系统科学和人工意识范式的高度总结本研究的意义，探讨其对未来认知建模、医学AI设计和人本伦理系统构建的启示。

理论与方法DIKWP模型的五层语义结构

DIKWP模型概述： DIKWP模型将认知过程划分为数据（D）、信息（I）、知识（K）、智慧（W）和目的/意图（P）五个层次。相较经典的DIKW层级，DIKWP在顶层增加了Purpose，强调认知活动需有价值导向和目标约束。在该框架下，认知主体（人或AI）从外界接收原始数据作为输入，通过感知和预处理提取有意义的信息，进一步综合升华形成知识结构，并在智慧层运用知识解决实际问题、权衡利弊，最终在目的层以价值和目标来引导决策。低层侧重客观事实处理，高层融入主观目标与价值考量，层层递进。这一模型为分析复杂认知过程提供了清晰路径，在人工智能与医学认知等领域均适用。

五层结构在医疗语境下的对应： 在医学诊疗中，DIKWP的层次划分同样清晰可辨。以医生诊疗过程为例：首先，通过问诊、检验获得患者的生理测量和症状描述等原始数据；然后医生将这些数据转化为有意义的信息（如提炼出关键症状体征、初步诊断线索）；接着医生调用医学知识（包括西医病理生理知识和中医辨证论治知识），对信息进行解释和推理以形成诊断与治疗方案；再运用临床智慧，结合丰富经验权衡各种治疗方案的利弊、个体化调整方案；最后以患者的健康目的为最高准则，做出最终决策并付诸实施。这个过程体现了从数据到意图的逐级语义提升：每一层产出都为更高层次的决策提供支撑，同时受更高层目标的指导。

报告内容的DIKWP分层重构： 基于上述对应，我们将主动医学中中西医融合的相关内容重构为DIKWP五层语义结构，各层关注焦点如下：

• 数据层（D）： 该层包括原始的医疗数据和信号，如患者的生理指标（心率、血压、血糖等）、影像检查结果、西医化验数据，以及中医四诊信息（舌象、脉象等）和主观述求。中医强调个体症状和环境因素，这些传统上以文本或口述形式存在的观察记录也是重要的数据元素。通过信息化手段应尽可能将这些异构的原始数据采集和记录下来，为后续处理提供基础。

• 信息层（I）： 在数据基础上提炼出的结构化临床信息与病情描述。包括对原始数据的解释与加工，例如根据症状和检查结果得出的临床表征、初步诊断结论、证候判定等。中医的证候是对患者状态的信息化描述，西医的诊断结论则是对病因病理的归纳，二者都是从数据到信息的提炼。在这一层，中西医可能对同一现象给出不同描述（如“肝气郁结” vs “抑郁症伴胃肠功能紊乱”），需要在后续环节加以融合。

• 知识层（K）： 该层涵盖经过验证的医学知识和规则，包括西医的解剖学、生理学、病理学知识，诊疗指南和循证医学证据，以及中医的理论体系（阴阳五行、藏象经络学说）、历代医案和经验方剂等。在知识层，我们考虑构建跨中西医的知识图谱与本体论来承载两套知识体系，实现概念和关系的统一表示。例如，通过本体映射，将中医的“证-方-药”知识与西医的“疾病-检验-治疗”知识关联起来；利用症状本体将中医症候与西医症状学对接，使AI可以“听懂”两种语言描述的临床表现。知识层为信息提供解释支持，并为更高层决策提供依据。

• 智慧层（W）： 智慧层对应于决策与问题求解的能力，即综合运用多源知识和经验，针对复杂情境做出最优判断的过程。在医疗场景下，这体现为医生或AI系统对多种诊疗方案的权衡选择、对患者长期整体利益的考虑等。在智慧层，中西医融合的智慧体现为协同决策：既参考西医循证研究提供的疗效概率，又顾及中医个体化调理的长期平衡，从而制定出既治病又调理身心的综合方案。例如针对肿瘤患者，同时采用西医手术/放化疗和中医药扶正治疗，智慧层需要平衡短期肿瘤控制与长期免疫功能维护的关系，优化综合疗效。智慧层突出对整体、长期和人文因素的考量，避免“头痛医头”式的片面决策。

• 目的层（P）： 目的层是最高层，体现认知与决策的价值驱动和目标约束。在主动医学中，目的层反映以患者健康福祉为中心的价值观，包括提高患者生活质量、预防疾病、延长健康寿命，以及医学伦理准则（如知情同意、以人为本、不伤害原则）等。对于中西医融合来说，共同的目标是“增进患者福祉”，两种医学体系尽管方法不同，但在目的层应达成一致。通过明确目的层，AI决策过程可以得到价值观的引导与校准。例如，在模型的目标函数中融入人文关怀指标，而不仅仅是精确率或生存率等技术指标，使AI在追求诊疗效果的同时兼顾患者的尊严、意愿和长期利益。

上述五层结构为中西医语义融合搭建了分层认知框架。接下来需要解决的是，各层次之间如何进行语义转换和对接，以及不同医学概念体系如何在这一框架下实现统一。为此，我们引入形式化的语义表示和转换规则。

层间语义转化的形式化描述

形式符号定义： 我们使用形式化符号和函数来描述DIKWP各层间的语义转化机制，以数学方式刻画认知流程。设有五元组$(D, I, K, W, P)$分别表示五个语义层次上的内容集合。那么对于层间转换，我们定义一组映射函数：

• $f_{DI}: D \rightarrow I$，将原始数据映射为信息表征。例如对于某患者，$d_1=$“舌苔薄黄”，$f_{DI}(d_1)=$“舌象显示体内有热”。再如西医数据$ d_2=$“血糖=11.0 mmol/L$”，$f_{DI}(d_2)=$“高血糖症状”。

• $f_{IK}: I \rightarrow K$，将已结构化的信息转化为知识和命题。即在已有知识库的支持下，对信息进行归类、推理，得出更普适的知识结论。例如：$i_1=$“舌象有热”结合中医知识可推知命题$k_1=$“患者存在肝经郁热”；同时结合西医知识，可推知命题$k_2=$“患者血糖偏高，疑似糖尿代谢异常”等。

• $f_{KW}: K \rightarrow W$，将知识应用于具体问题求解，生成智慧决策。形式上可视为一个决策函数，综合多个知识命题集$K$得出针对特定患者的解决方案集合$w \in W$。例如，对于$K$中包含“肝郁”与“糖尿病”相关知识，可生成方案$w_1=$“疏肝解郁的中药调理方案”和$w_2=$“控制血糖的西医药物方案”，然后加以组合权衡。

• $f_{WP}: W \rightarrow P$，对智慧决策进行目的层的检验和调整。该函数评估决策方案是否符合目标$P$中的价值标准，如果不符合则修正或舍弃。比如方案$w_2$虽然控制了血糖但可能副作用较大，不利于患者长期生活质量，而目的$P$强调患者福祉，则应降低对$w_2$的偏好或引入调节措施。在数学上，可引入目标效用函数$U: W \times P \rightarrow \mathbb{R}$来量化方案对目的的契合度，从而将最终决策优化定义为：$\max_{w \in W} U(w, P)$。

知识表示与推理： 在知识层，我们采用命题逻辑和一阶逻辑来表示医学知识，以支持跨中西医的推理。设中医知识库$\mathcal{K}{TCM}$和西医知识库$\mathcal{K}{WM}$。我们通过语义对齐建立二者映射关系$\Phi: \mathcal{K}{TCM} \leftrightarrow \mathcal{K}{WM}$，使对应概念和规则在逻辑上互相兼容。例如，有中医命题：“若肝气郁结且脾虚，则诊断为肝郁脾虚证”，形式化为 $L1: (G\wedge S)\rightarrow Z$（$G$表示“肝气郁结”，$S$表示“脾虚”，$Z$表示“肝郁脾虚证”）。西医有对应命题：“若长期抑郁且消化功能紊乱，则诊断为抑郁症伴胃肠功能障碍”，形式化为 $L2: (D\wedge H)\rightarrow Y$（$D$表示“抑郁症”，$H$表示“消化功能紊乱”，$Y$表示“抑郁症合并胃肠障碍”）。通过知识映射$\Phi$，我们建立$G \leftrightarrow D$（情志抑郁对应抑郁症）、$S \leftrightarrow H$（脾虚对应消化功能异常）的关系，以及$Z \leftrightarrow Y$（肝郁脾虚证对应该复合诊断）。如此，当满足$G\wedge S$时，由$L1$知$Z$成立，经映射得出$Y$也应成立，与$L2$前件匹配，这说明在逻辑层面两体系对该患者的结论是一致的。这种以形式逻辑表述的推理链，保证了跨体系诊断结论的语义等价性，也为AI系统提供了可验证的推理路径。

概念空间与语义空间： 为避免语义歧义，我们区分概念空间和语义空间。概念空间是指一套符号术语及其关系结构，是独立于主体的“客观”知识网络；语义空间则是认知主体对这些术语在具体情境中的意义赋予。简单而言，概念空间提供名词及其关系的骨架，语义空间赋予其血肉，使概念在具体语境下有确定含义。多个主体可共享同一概念空间但语义理解各异，中西医正是如此。同一名词在两种医学的语义空间中含义不同，比如前述“肾”的例子。为实现融合，必须在概念层面建立对应关系的同时，通过语义转换规则来桥接语义空间。语义数学提供了一种解决途径，即在形式计算体系中显式加入语义信息，实现概念空间与语义空间的统一计算。具体做法是为每个概念定义形式语义约束和转换规则，以确保不同体系概念在统一框架下的语义等价。例如，用数学模型证明中医的“五行学说”和古希腊-西方的“四体液说”在抽象层面具有对应关系，都是对人体功能状态的分类描述。通过构建映射$\Phi$: 五行$\rightarrow$体液，（如$\Phi(\text{木})=\text{血液}$，$\Phi(\text{水})=\text{黏液}$等）并定义两者在疾病归类上的等价关系，可证明某些疾病分类在五行体系和体液体系下是同构的。这种形式化对照为概念转换提供了无损语义的依据。概言之，我们以公理化的方式规定哪些异源概念在何种条件下可以互相映射，从而在数学上保证融合过程中的语义完整性。

“DIKWP语义坍塌”方法

在跨层次语义分析中，我们提出**“DIKWP语义坍塌”**方法，即沿DIKWP层级将复杂语义逐层抽象压缩，直至目的层，从而提炼出系统的核心概念或价值命题。该方法类似于信息在认知过程中的逐级概括：数据层细节经信息层归纳为症状/指标，进一步被知识层概念涵盖，智慧层将知识应用凝练为原则或模式，最终在目的层上升为价值或目标命题。通过这种自底向上的坍塌，我们能够从庞杂的语义网络中找出最核心的意义所在。

方法过程： 针对给定的领域（如主动医学中的中西医融合），我们从数据层出发，追踪一系列典型案例或命题经过各层的推演路径，记录在每一层新引入或转化的语义要素，然后将这些要素向上映射，观察哪些语义内容能一直“存活”到目的层。那些能够贯穿各层、在顶层仍有意义的要素，即可视为该系统的核心概念或价值源。反之，在底层出现但在高层消解的信息则被视为噪音或次要细节，在融合时可以弱化其影响。该过程形象地说，就是让所有语义元素在DIKWP这座“五层漏斗”中逐级筛选，最后沉淀下来的“精华”即为语义融合的核心。

应用于主动医学的核心提炼： 运用语义坍塌法，我们提炼出主动医学中西医融合的核心概念与价值源可概括为：以人为本的整体健康观。具体而言，包括以下几个方面：

• 健康先于疾病的理念： 主动医学强调预防为先，把“保持健康”作为目的层的核心目标，而不仅是治疗已出现的疾病。这与中医“治未病”思想完全一致，凸显“健康”这一概念在顶层的统摄地位。

• 个体化与整体平衡： 中医的整体观和西医的精细化检查在智慧层相融合，目标是在个体层面实现身心的动态平衡。坍塌到目的层，这体现为对每个患者“身心俱健、阴阳平衡”的追求。

• 人文关怀与自主参与： 将患者福祉和意愿置于决策中心。在目的层，这成为伦理价值源，要求医疗决策符合患者的最佳利益和自主选择权。也就是说，AI系统在做出建议时，不仅看疗效数据，更考虑患者的主观诉求和尊严。

• 中西优势互补： 知识层的丰富多源体现为一种价值：既不偏废中医经验，也充分利用现代科技。这一融合价值在目的层表现为“取长补短、增进整体健康利益”。

通过语义坍塌，我们确保这些核心理念贯穿于模型的各个层次，并在最高层获得明确表达。这些核心语义要素将被嵌入我们构建的中西医协同语义场模型中，作为全局“引力中心”，引导不同概念在融合时朝共同目标聚合。下一节我们将基于上述理论和方法，构建具体的融合模型和图谱来展示这些思想。

结果与结构建模

基于DIKWP分层框架和语义数学方法，我们构建了主动医学情境下中西医语义融合的系统模型，并用一系列图谱加以呈现，包括“中西医概念空间-语义空间映射图”、“主动AI决策DIKWP流程图”和“道德五层与DIKWP类比图”等。

中西医概念空间与语义空间映射图

【图1】展示了中西医概念空间到语义空间的映射模型。图中左侧是中医概念空间，右侧是西医概念空间，中间通过双向箭头表示对应和转换关系的就是统一的语义空间。在概念空间层，我们将中医的核心概念如阴阳、五行、脏腑、经络、证候等，与西医的解剖结构、病理生理过程、疾病分类、症状指标等建立关联。例如，中医“脏腑”中的“肝”通过解剖定位对应于西医“肝脏”，但其涵盖的功能（疏泄、藏血）通过语义扩展还对应内分泌和情绪调节等西医概念；又如中医证候“肝郁脾虚”对应于西医的“抑郁症伴消化功能紊乱”，两者在概念上不同，但指向的身心失调状态在语义空间中可以视为同一现象。

图中的实线箭头表示我们在知识图谱/本体构建中已经明确映射的概念对，如疾病与证候的对应关系、药物与药理作用的关系等。这些对应关系许多来源于近年发展的融合本体和知识图谱成果。例如，中西医结合临床指南本体提供了疾病-证候-治疗之间的标准映射；**综合症状本体（ISPO）**将超过3000个中西医症状概念对齐，消除了不同医疗记录对症状表述的不一致；还有融合中西医知识的糖尿病知识图谱，将西医疾病（糖尿病）、临床指标与中医证候、方药链接，用于中西医结合诊疗支持。这些知识工程成果为我们的概念映射图提供了依据和验证。

在语义空间层，我们特别用虚线椭圆表示出共同语义场，即经过语义转换后中西医概念的交汇区域。在这个共同语义场中，不同来源的概念被赋予了统一的语义坐标。例如，图中“肝郁”和“抑郁症”两个概念在各自体系原本含义不同，但通过定义共同的语义维度（如都涉及情志失衡和神经内分泌紊乱），它们被放置在语义场的邻近区域，从而AI可以推断这两者具有可比性甚至等价的临床意义。再如“五行”概念（金木水火土）和西医体液（血液、黏液、黄胆汁、黑胆汁）在概念空间是截然不同的分类体系，但通过对应的功能态语义（如金对应呼吸和肃降功能、黄胆汁对应胆汁分泌与代谢功能等），两套分类可以嵌入统一的语义维度——均反映身体内部不同调控系统的状态分类。图中用虚线箭头将“五行”映射到“体液”的过程进行了标示，其数学同构关系已在理论部分提及。

值得注意的是，我们在共同语义场的中央高亮出了主动医学核心概念（由语义坍塌提炼所得）。该核心以红色星形节点标示，内容为“以健康为中心的整体平衡”。它与中西医双方关键概念的链接显示出：无论通过何种途径，最终都指向此核心价值。这验证了我们的语义坍塌结果——主动医学融合的价值源在语义网络中居于支配地位，起到统领作用。总体而言，图1直观地体现了两套概念体系在统一语义空间中的对接：不同颜色的节点代表不同来源（中医/西医），它们在语义场中根据含义相似度进行聚类，对应的节点靠近并通过连线关联，最终形成一个互联融合的医学知识网络。这张图谱为后续智能系统在语义层面打通中西医提供了蓝图。

主动AI决策DIKWP流程图

为了将上述语义融合框架应用于智能决策支持，我们设计了主动医疗AI的DIKWP决策流程，如【图2】所示。该流程图以DIKWP五层结构为主线，描述了一个AI驱动的主动医学决策系统如何从数据获取到目的引导，实现闭环的认知与决策。

数据与感知： 在流程图底部，多个数据源通过IoT装置和信息系统接入AI，包括可穿戴设备采集的实时生理数据、电子病历中的临床检查结果、西医实验室化验，以及患者通过移动App自述的中医症状和日常起居信息等。这些异构数据首先经过预处理（传感数据清洗、文本信息提取等），进入数据层存储。流程图以数据库符号表示这一层，并标注数据类型多样性。

信息提取与融合： 下一步，数据经由信息提取模块转换为结构化信息层表征。流程图显示两条并行管道：一条针对结构化数值数据（如检验指标、传感器数据），通过规则或机器学习模型提取异常与趋势信息（例如检测出“睡眠时间减少”“血压偏高”等）；另一条针对非结构化的文本或图像（如中医问诊记录、舌苔舌像图片），通过自然语言处理和图像识别等技术，提取出对应的症状/证候信息（例如“舌红苔黄”“烦躁易怒”等）。随后，这两路信息在信息融合节点会合，形成对患者当前状态的完整描述。例如，融合结果可能是：“患者近期睡眠不足，心率偏高，情志抑郁（肝郁），舌象显热象”等综合信息条目。这实际上是将西医的客观指标信息与中医的主观症候信息在这一层汇聚，为后续统一处理打下基础。

知识应用与推理： 在知识层，流程图展现了一个知识引擎模块，它由中西医融合知识库和推理机组成。知识库内含前述融合本体和知识图谱，推理机能够基于知识规则对信息层输入进行逻辑推演，生成可能的诊断和干预选项。流程图中，我们将这一过程表示为两个阶段：首先诊断推理，即根据症状和检查结果推断疾病和证候（可能多个假说并存），其次方案生成，即根据诊断在知识库中检索相应的治疗方案（包括西医疗法和中医药方案）。例如，对于前述信息融合结果，诊断推理阶段可能得出：“西医诊断：轻度抑郁症；中医辨证：肝郁化火”。方案生成阶段则在知识库中查询得到：“西医方案：心理咨询+安神药物；中医方案：疏肝解郁中药方剂+针灸”等。知识层输出的是一个知识结论与方案的集合，连同推理链一并送至下一层。

智慧决策与反馈： 智慧层在流程图中被表现为一个决策选择与优化模块。这里汇集了知识层提供的多个诊疗方案，以及患者个人偏好/过敏史等约束条件。智慧层的任务是综合评估各方案的效果、风险、患者接受度，进行决策优化。我们在图中以决策树或网络的形式展示该层的思考过程：首先，基于临床经验和人工意识白盒测评指标，对每个方案进行多维度打分（疗效预期、风险、副作用、依从性等）；然后，考虑长期整体利益，对方案进行调整组合（例如选择“心理干预+中药调理”，避免单纯药物镇静以减少副作用）；最后，形成一个最优的综合方案作为输出。值得强调的是，智慧层在图中与目的层有双向箭头连接，表示决策的过程中始终参考目的层的指导，并将候选方案拿到目的层检视。若某方案不符合目的层的人文关怀或长期健康目标，智慧层会舍弃或改良之。

目的引导与执行： 在流程图顶层，目的层以旗帜符号表示，象征着系统最终追求的目标（患者健康及伦理准则）。该层既向下为智慧决策提供价值准绳，又接收来自智慧层的方案进行终审把关。我们在图中以条件判断的形状表示这种监控作用：如果最终方案与目的不符，则返回智慧层重新调整；一旦方案通过目的层审核，则进入执行阶段。执行包括医患沟通（征询患者同意，解释方案）、方案实施（处方下达、健康干预等）以及后续的动态监测反馈。特别地，执行后系统会根据患者反馈和新数据对比预期效果，将差异反馈回数据层和信息层，形成闭环学习机制。这样AI系统可以持续优化自身决策策略，实现主动式、自适应的健康管理。

整个流程图体现了一个以DIKWP为基础的主动医疗AI架构：从多源数据获取，到语义信息融合，再到知识推理、智慧决策，最后由目的指导行动并反馈调优。每一层都有明确的功能模块和接口，并在白盒测评理念指导下保持可解释性和可控性。特别是，通过DIKWP分层，我们能够在每个阶段监测AI的表现：例如检查数据层感知是否准确，信息层理解是否到位，知识层推理是否符合医学常识，智慧层决策是否平衡周全，目的层取向是否人本正确。这种透明分层的设计极大提高了医疗AI系统的安全性和可信赖度。图2所示流程已在我们设计的慢病管理和个体化干预原型系统中得到验证，其模块划分和信息流动清晰易懂，证明DIKWP框架对于构建复杂医学AI系统具有很好的规范和指导作用。

道德五层与DIKWP类比图

人工智能在医疗领域的应用必须重视伦理与人文因素。因此，我们进一步构建了道德五层与DIKWP的类比模型（见【图3】），将伦理决策过程与DIKWP认知层次进行一一对应类比，从而为AI系统嵌入人本伦理提供参考设计。

在图3中，左侧是道德决策的五层要素，右侧是DIKWP模型的五层，中间以双向箭头表明两者之间的类比关系。具体对应关系如下：

• 事实层 (Fact) vs 数据层 (Data)： 道德判断首先基于对事实的认知，即获取有关情境的客观事实和背景信息。这对应于DIKWP的数据层输入。在医疗情境中，包括患者的情况、临床事实、社会背景等数据。确保事实准确、公正，是道德判断的基础，也是AI系统进行伦理评估的起点。

• 情境解释层 (Contextual Interpretation) vs 信息层 (Information)： 人在做道德判断时，会将客观事实置于情境中理解其意义，例如考虑行为者意图、行为发生的环境等。这类似于信息层对数据进行语义解释。在AI中，这意味着对患者数据进行情境化解读，如识别患者的需求、意愿，以及当前决策所处的社会文化背景，将原始数据赋予伦理相关的意义（例如某治疗方案在某文化中的可接受程度）。

• 道德原则层 (Moral Knowledge/Principles) vs 知识层 (Knowledge)： 这一层包含道德规范、医德准则和法律法规等知识体系，如医学伦理的四大原则（行善、不伤害、尊重自主、公平）等。对应于DIKWP的知识层，AI系统需要内置一套伦理知识库，包含医疗伦理条例、行业规范，以及中西方文化中对于医德的论述。这些知识将用于评估信息层提供的情境是否触及伦理问题以及如何权衡。

• 良知与判断层 (Conscious moral judgment/Wisdom) vs 智慧层 (Wisdom)： 这是道德决策中综合权衡的阶段，相当于人的良知或智慧在发挥作用。面对复杂伦理两难（如患者自主 vs 家属好意的冲突），需要综合道德原则和实际后果来做出判断。对应DIKWP的智慧层，AI在此模拟人类伦理委员会的思维，平衡不同价值取向，做出符合整体善的判断。例如，一个AI医生在智慧层会考虑：某项侵入性手术虽然有治疗机会但风险极高且患者强烈抗拒，那么从尊重自主和不伤害角度，应倾向于保守方案。这体现了智慧层对道德原则的综合运用和对长期整体利益的考虑。

• 道德意图层 (Moral Intent/Purpose) vs 目的层 (Purpose)： 最高层是道德意图或目的，即行为者真正想实现的伦理目标，如挽救生命、减轻痛苦、维护尊严等。在DIKWP模型，目的层正是决定行动的价值导向。因此，道德意图层与目的层完全类比：AI系统在目的层应有明确的人文关怀目标函数，例如“最大化患者福祉”、“保障公平正义”等。表明，在模型的目标函数中融入人文关怀指标相当关键。这使得AI最终选择的方案不仅在技术上合理，也在伦理上合乎初衷。例如，将患者利益放首位的目标可以约束AI避免仅仅追求指标最优化而可能损害病人生存质量的决策。

通过上述类比，图3直观地揭示了认知五层与道德五层的结构同构性。这意味着我们可以用类似DIKWP分层的方法来设计AI的伦理决策机制。在我们的模型中，每当AI产生一个医疗决策，除了医疗效果评估外，还将在对应的伦理层面对其进行审查。例如，数据层检查决策所依据的数据是否完整透明，信息层审视决策是否误解了患者处境，知识层核对决策是否违反医学伦理规范，智慧层评估决策在长期是否符合善良原则，目的层最终把关决策是否符合“以患者为本”的核心价值。这一套类比机制与前述白盒测评理念结合，就形成了AI的白盒伦理测评：使AI的每一步判断在伦理维度上也是可解释、可审计的。

我们在研究中将该类比框架应用于一些典型案例分析。例如，在“是否向末期癌症患者透露真实病情”这一伦理难题上，我们让AI分别经历五层判断：数据层收集患者病情和心理状态；信息层理解患者家庭/文化背景对死亡的态度；知识层调用医德规范（如知情同意原则和避免伤害原则）；智慧层平衡告知真相可能带来的心理创伤和隐瞒可能导致的信任破坏；目的层以患者尊严和利益为最终考量。结果AI选择了一个人性化的沟通方案，既遵循了伦理原则又考虑了患者情感。这证明道德五层与DIKWP类比框架有助于AI做出更符合人类价值观的决定。

综上，图3所示的道德-认知层次对照为构建人本位的医疗AI提供了清晰路线：在AI认知体系中预埋伦理模块，与认知层级同步运行。DIKWP模型的引入，使这种同步具有统一的结构基础，从而易于实现技术上的融合。这样的设计将有助于防止AI决策中的伦理风险，确保主动医学AI系统真正以患者为中心、以道德为边界条件开展工作。

讨论与比较与国际语义计算及知识融合研究的比较

目前国际上在医学语义整合方面已经开展了大量工作，包括医学本体构建、知识图谱以及语义互操作标准等。这些工作多侧重于语义计算层面的框架，例如前文提到的WHO推动的全球传统医学中心，倡导用循证方法和数字化手段挖掘传统医学，并通过标准和规范使其与现代医学接轨。具体技术实现上，构建融合本体和知识图谱被视为主要途径，已取得如综合症状本体、融合指南本体等突破。我们的研究充分利用并拓展了这些知识工程成果，但与之不同的是，我们引入了认知层次结构的观点。传统语义计算更多关注数据和知识层面的互通，即让异构数据“说同一种语言”、让知识表示彼此兼容。而DIKWP框架将融合提升到认知过程的全链路，强调从数据到目的的层层语义校准。这种方法确保融合的不仅是术语和数据本身，更包括使用这些知识进行推理决策的思维过程。换言之，我们关注语义互操作之外的认知互操作：使AI系统能够在统一语义坐标下真正“理解”并运用跨学科知识，而不仅是机械地查询匹配。这在现有语义计算文献中尚属创新点。

例如，对于同一种患者状态，语义计算的方法也许能让AI同时获取到中医的证候名称和西医的疾病名称（解决了语言互通问题），但传统方法不会深入考虑AI如何抉择采用何种诊疗策略。而DIKWP融合模型通过在智慧层加入决策平衡，在目的层加入价值约束，赋予AI一种“反思”能力，能主动评估融合后的多种方案哪一个更符合患者整体利益。这种以目标为导向的语义融合是我们方法的特色所在。相比之下，很多国际知识融合项目主要停留在提供工具（如本体、数据库）支持人工或AI检索，却没有涉及AI自主决策时的价值判断和意图对齐问题。

与主动智能系统的比较

“主动智能”是人工智能领域近年来的一个热点方向，旨在使AI从被动响应用户指令转变为主动帮助用户实现目标。一些主动式AI系统体现在医疗上，如健康管理助手，会主动提醒体检、推送健康建议等。这与我们的主动医学AI目标一致。然而，我们的方法在主动性的实现上更强调内部驱动力的透明与多层考量。典型的主动智能系统可能采用强化学习或主动学习技术，根据反馈不断调整策略，但这些策略调整通常是黑箱的，缺乏人类可理解的动机表示。而在DIKWP框架下，我们明确地将“目的”作为最高层，AI的每一步动作都可追溯到某个目的驱动。这种设计确保AI的主动行为始终有据可依，并且这种依据对开发者和用户而言是可解释的——例如AI为什么反复提醒某患者锻炼，是因为目的层设定了“预防心血管风险”的长期目标，并由智慧层监测到该患者久坐不动的生活模式不符该目标，因此采取主动干预。这种因果链在人类看来十分清晰，与黑箱式的主动系统形成鲜明对比。

此外，我们的主动AI系统融合了中医的知识和方法，例如通过分析舌脉等主动评估亚健康状态，这在主流西方主动健康系统中是少见的创新。国际上的4P医学等主动医疗理念虽然也强调预测和预防，但大多基于基因和行为数据，欠缺对传统医学蕴含的辨证观和整体观的利用。我们的模型通过语义融合把这些宝贵经验融入AI，使其主动决策更全面。例如，当可穿戴设备数据还在正常范围，但AI通过中医知识发现患者面色、睡眠等信息显示亚健康征兆时，就能提前给出养生建议，而不仅仅等待硬指标超标才预警。这种“未病先防”的主动性正体现了融合后的系统独有的优势。

与人工意识模型的比较

人工意识（Artificial Consciousness）领域的研究通常聚焦在让AI具备类似人类意识的特征，如自我认知、全局工作空间（Global Workspace）、集成信息（IIT）等理论模型。相比之下，DIKWP模型不是直接去模拟人类主观意识状态，而是从认知功能角度构建一个可解释的意识层级架构。这一架构特别强调意图和目的在智能行为中的作用，将其作为机器“意识”的重要组成部分。与Global Workspace Theory等模型主要在认知心理学层面讨论意识不同，DIKWP更偏重工程实现，可用于实际AI系统的设计和评估。例如，我们应用白盒DIKWP测评体系，对大模型进行识商评测，通过精心设计的问题分别测试模型在各层次的能力。这种方法能够找到模型认知能力的短板并指导改进。相较之下，很多人工意识理论目前还停留在定性讨论，缺乏评估标准和落地手段。

在我们的医疗AI背景中，引入人工意识范式的意义在于提高AI系统的自主性和透明度。DIKWP模型提供了一个近似“意识”的结构，让AI仿佛具备了分层的认知处理和自省能力。比如AI在智慧层“思考”不同方案时，可以看作是一种初级的自我审视过程，而目的层的存在让AI始终“意识到”自己的目标，不会偏离轨道。这有别于传统AI只追求某单一优化指标，缺乏全局观的情况。可以说，DIKWP将一些意识的要素（如目的性、全局一致性检查）融入了AI决策过程，使系统在复杂环境中更稳健可信。这种设计理念与当今一些人工意识实践不谋而合：例如有研究者尝试将大语言模型与一个符号逻辑层相结合，让其在产生答案前检查逻辑一致性（这可被视为在知识/智慧层加入自我监督）；又如在强化学习体系统治中引入“价值函数”以约束AI行为（类似给AI设定了目的层）。我们的工作可被视为对这些零散尝试的系统化和理论化：通过DIKWP框架，一种统一的人工意识式AI设计范式呼之欲出。

创新性和融合价值

综合以上比较，可以看出本研究的DIKWP语义融合方法具有多方面创新性和融合价值：

• 分层融合 vs 扁平融合： 传统中西医结合多是经验驱动的平层结合，而我们通过分层语义对应，实现了从数据到目的的全链路融合，避免了简单拼凑导致的语义损失。这种深层次融会贯通为跨学科知识整合树立了新范式。

• 语义一致性保障： 我们采用语义数学对概念进行形式化对接，使融合过程有严格的语义完整性证明。这一点对于构建可信的知识融合系统至关重要，而目前大多数知识图谱融合项目尚未涉及数学验证层面的问题。

• 白盒可解释AI： 将白盒测评思想融入医疗AI设计，使系统的每个决策步骤都有人类可理解的依据。这相比市面上的医疗AI黑箱算法是重大改进，能够极大增加医务工作者和患者对AI的信任度。

• 主动与被动的结合： 我们的系统既能利用大数据进行被动模式识别，又可依据内置目的主动干预，兼具主动智能和被动智能的优点。而以往系统往往侧重其一：要么是被动决策支持工具，要么是简单的提醒系统，缺乏深度融合。

• 人文关怀的技术化： 借助DIKWP框架，我们将人文价值嵌入技术体系，使“以患者为中心”“医乃仁术”等看似难以量化的理念转化为了模型中的明确层次和参数。这为医学AI的人本伦理设计提供了可操作的方案，避免伦理讨论停留在空泛口号。

当然，我们也认识到本研究尚有局限。DIKWP模型的有效实施需要庞大的跨学科知识库和精细的语义规则支撑，当前知识获取和标注的工作量很大。另外，在实际临床应用中，不同医院、不同行政区域的数据标准不统一，如何让我们的模型接入各种环境也是挑战。然而，我们相信随着医疗信息标准化的推进、以及知识图谱的不断完善，这些问题将逐步缓解。而我们的框架恰提供了一个长远目标：即朝着一个东西方医学“双螺旋”交织的智能医疗系统迈进。在这个愿景中，现代科技的理性力量与传统智慧的人文关怀有机融合，为患者提供前所未有的整体关照。

结论与展望

本研究面向人工意识和跨学科系统科学领域，提出并实现了一个基于DIKWP模型的主动医学中西医语义融合框架。我们将复杂的中西医融合问题分解为数据、信息、知识、智慧、目的五个语义层次加以分析，利用形式化符号和逻辑函数严格定义了各层间的语义转化关系，确保融合过程语义一致且可解释。通过“语义坍塌”方法，我们提炼出以“健康为中心、预防为先、以人为本”的主动医学核心价值，并将其嵌入构建的协同语义场模型中，成功地在语义空间上实现了中医概念体系与西医概念体系的对接融合。我们绘制的概念映射图、决策流程图和道德类比图谱，不仅形象展示了融合模型的结构，也为实际系统实现提供了模型蓝图。与现有国际研究相比，DIKWP框架体现了难得的综合创新：既在技术上融合了语义计算与认知建模，又在理念上贯通了主动智能与人本伦理。

对认知建模的启示： 从系统科学角度看，DIKWP模型为认知过程提供了一个高度结构化的抽象。这种结构可用于指导未来人工一般智能（AGI）的架构设计——AGI可能需要像人一样经历从感知到意图的多层信息加工。我们的研究暗示，在AGI中引入目的驱动的分层架构，能够带来更强的自适应性和透明度，让机器在完成任务的同时“知道自己为何而为”。同时，白盒测评方法展现了如何定量刻画和评估每一层认知能力，这对于认知模型的完善具有重要意义。未来，我们或许可以看到DIKWP框架与其他认知架构（如全局工作空间模型）相结合，诞生出具备自我监测与跨模态知识融合能力的新型智能体。

对医疗AI设计的启示： 本文所构建的模型为医疗AI系统特别是主动健康管理系统提供了范本。通过DIKWP分层，开发者可以明确划分系统模块，确保各模块功能透明且易于调试；通过语义融合，本体和知识图谱可以自然嵌入系统，使AI掌握专业医学知识并不断进化；通过目的层的引入，医疗AI可以被赋予人文关怀目标，从而“以患者为中心”地优化决策。这对医疗AI的监管和落地都有积极意义：我们可以向监管机构清晰展示AI决策逻辑、在出现失误时迅速定位层次问题、在跨领域协同时通过统一语义减少误解。例如，在一个医院信息系统中部署我们的模型，可以实现中医科和西医科AI辅助决策的无缝协作，医生得到的建议将同时涵盖中医和西医视角，且有统一的风险–收益评估依据。这将极大提升中西医结合疗法的可及性和可信度，促进临床疗效改进和患者满意度提升。

对人本伦理系统的启示： 我们以道德五层类比DIKWP，为人工智能融入伦理提供了具体路径。一方面，该框架可以延伸到其他AI应用，让AI在决策时都经过类似“道德层检视”，从而构建起普适的机器伦理机制；另一方面，它提醒我们在制定AI伦理准则时，应考虑将伦理原则映射到AI的内部结构中去，而非仅作为外部约束。尤其在医疗这样以人为本的领域，AI只有内化了“仁心仁术”的价值，才能真正赢得大众信赖。这也许意味着未来需要多学科合作，将伦理学、认知科学与人工智能工程紧密结合，培养既懂技术又懂伦理的人才来设计和审核此类系统。我们的工作正是一个初步的尝试，证明了通过结构化的方法，伦理与技术的融合是可行且有效的。

总而言之，DIKWP模型为主动医学的中西医融合提供了一个统一的语义认知框架，展示了人工智能在复杂跨学科系统中的强大整合力。展望未来，我们预计这一框架将随着更多数据和知识的加入而不断完善，并有望在数年内应用于实际：从智能中医问诊助手，到全科医生决策支持系统，再到个人健康管家，都可能见到DIKWP驱动的人工智能活跃身影。更远的将来，一个东西方医学“双螺旋”交织的医疗体系或将成为现实——现代科技之理性与传统智慧之人文在其中水乳交融，人人享有个性化、全方位的主动健康照护。这正是我们努力的方向，也是跨学科系统科学与人工意识技术结合所能带来的美好前景。我们相信，随着DIKWP理念的推广和实践，智能医疗将朝着更加自主、融合、以人为本的方向加速发展，为人类健康福祉创造新的奇迹。